Dynamische probabilistische Bewegungsmodelle mittels Verhaltensmodellierung

Diese Arbeit befasst sich mit dem Problem der dynamischen Modellierung von Bewegungsmodellen für den Einsatz in Ortungssystemen. Derzeit verfügbare Bewegungsmodelle basieren auf mathematischen Gleichungen, die die Bewegung eines Objekts beschreiben. Das Problem dabei ist, dass mit wechselndem Anwendungsgebiet des Ortungssystems oder durch den Austausch des georteten Objekttyp, ein dazu passendes Bewegungsmodell evaluiert werden muss. Das Forschungsziel dieser Arbeit ist es deshalb, ein dynamisches Bewegungsmodell durch die Modellierung des Bewegungsverhaltens zu untersuchen, das sich selbstständig an das zu modellierende Objekt anpasst. Der Beitrag dieser Arbeit besteht aus einer Untersuchung bestehender Ansätze und der Bereitstellung einer Lösung der Problemstellung. Die Lösung wird durch folgendes Vorgehen erreicht: Eine Bewegung eines Objekts wird in eine symbolische Darstellung transformiert, welche das Bewegungsverhalten beschreibt. Diese Beschreibung wird dann zur Modellierung von Mustern im sogenannten Trajektorienmodell genutzt. Dieses Modell wird wiederum in einem Verbundmodell, das sogenannte Verhaltensmodell, zur Modellierung des Bewegungsverhalten integriert. Über entwickelte Algorithmen lässt sich das Verhaltensmodell zur Laufzeit trainieren und auswerten. Die in dieser Arbeit entwickelte Sprache zur symbolischen Beschreibung des Bewegungsverhaltens eines Objekts, bezeichnen wir als Trajektorie Behavior Language (TBL). Die TBL ist eine kontextfreie formale Sprache, welche durch eine Grammatik erzeugt werden kann. Wir beschreiben im Laufe der Arbeit die Grammatik der TBL und zeigen Algorithmen, welche einen Positionsdatenstrom zur Laufzeit in die TBL übersetzen bzw. eine TBL-Beschreibung wieder zu Positionsdaten konvertieren können. Dabei erzielen wir einen geringen Transformationsfehler, der für reale Systeme auf Grund dessen Rauschens vernachlässigt werden kann. Auch zeigen wir, wie die TBL den Speicherbedarf von Positionsdatenströme durch das Finden von Wiederholungen in der Beschreibung komprimieren kann. Die Modellierung von Mustern lösen wir durch Profile Hidden Markov Modelle, welche eine spezielle Unterart der Hidden Markov Modelle bilden. Wir passen für diese Modellierung die Emissionsverteilung und die Topologie der Profile Hidden Markov Modelle an, um Trajektorien abbilden zu können. Für die Emissionsverteilung kommt die von Mises Verteilung zum Einsatz, welche eine Verteilungsfunktion für TBL-Bewegungssymbole ermöglicht. Mit dem Trajektorienmodell sind wir in der Lage, Bewegungsmuster abzubilden. Das Verhaltensmodell basiert ebenfalls auf einem Hidden Markov Modell. Zustände dieses Modells sind die Trajektorienmodelle und damit Muster der Bewegung. Mit im Laufe der Arbeit entwickelten Algorithmen, kann das Verhaltensmodell kontinuierlich zur Laufzeit an das Verhalten eines Objekts angepasst werden. Der dazu entwickelte Algorithmus ist eine Erweiterung des Incremental Baum-Welch-Algorithmus auf stille Zustände eines Hidden Markov Modell. Die gezeigten Erweiterungen lassen sich auch auf andere Modelle mit stillen Zuständen übertragen. Abschließend erreichen wir durch die Definition von Operatoren auf dem Verhaltensmodell eine Umsetzung als sogenanntes dynamisches Bewegungsmodell in einem Ortungssystem. Die Evaluierungen des konstruierten Bewegungsmodells liefert sehr gute Ergebnisse im Besonderen für Langzeitprädiktionen.